t-SNE/UMAP 可视化结果有哪些常见误读？
简化版
t-SNE 和 UMAP 的二维图主要用于探索局部邻域，不能把簇间距离、面积、密度或空白直接解释为原空间事实。图形受预处理、超参数、随机种子和采样影响，结论必须回到原空间指标、标签或独立算法验证。
详细版
- t-SNE 强调局部相似概率匹配。
- UMAP 基于近邻图与低维布局。
- 二维拥挤会扭曲全局几何。
- 不同随机种子的旋转、分裂和布局可能变化。
- 先在全数据可视化再挑规则也会产生探索偏差。
完整版教学
一、问题定义与核心直觉
降维算法必须把高维结构压进二维，因而不可避免地选择保留某些关系、牺牲另一些关系。perplexity 或 n_neighbors 改变关注的邻域尺度，min_dist 改变图上点团的紧凑程度。
视觉团块不等于可泛化簇。若要声称存在群体，应在原空间或独立表示上运行聚类，报告稳定性，并用留出属性验证差异；颜色标签也可能诱导人眼过度解读。
二、机制与公式
trustworthiness(k)=1 - normalized_rank_penalty
compare embeddings across seeds and neighborhood sizestrustworthiness 惩罚低维近邻中原空间排名很远的“假邻居”，只评价局部邻域保持，不证明全局距离、密度或簇数真实。t-SNE 与 UMAP 的目标函数不同，分数也不能脱离 k、预处理和采样直接横比。
三、带数字的推演
同一 10 万样本，UMAP n_neighbors=5 出现 12 个小岛，设为 100 后只剩 3 个大区。岛数变化说明它受尺度参数控制，不能把“12 类”当数据固有类别数。
参数变化后岛数从 12 变 3，说明视觉分区不是稳定的天然 K。旋转或镜像本身不改变邻域结构，但跨种子出现成员分裂、合并时才是实质不稳定，应通过共同样本邻域与聚类一致性量化。
四、方案对比
| 方案 | 优势 | 代价或边界 |
|---|---|---|
| t-SNE | 局部团块展示强 | 新样本映射和全局解释弱 |
| UMAP | 速度快、可 transform | 参数仍显著改变布局 |
| PCA | 全局线性结构可解释 | 非线性邻域展示有限 |
五、工程执行流程
训练样本缩放/表示 -> 分层抽样 -> 多参数多种子嵌入 -> 计算邻域保持
-> 回查原空间距离与标签 -> 标注仅作探索 -> 对正式结论单独统计检验若研究者反复查看测试标签着色图并调参数，再用同一图论证结论，就形成视觉上的测试集过拟合。正式结论应冻结预处理和嵌入配置，在独立样本上复现并回到原空间统计检验。
六、边界条件与上线代价
抽样会抹掉稀有群体或改变密度，百万级数据可先分层保留长尾，再明确图上点密度不是总体密度。
把测试标签着色后反复调参数会形成视觉过拟合；正式报告应预先固定配置并在独立样本复现。
关键判断：把 t-SNE/UMAP 当“局部邻居地图”，不要当“地理测量图”。
七、常见误区与追问
-
误区：图上距离远就代表原空间差异大。 算法通常不可靠地保留全局距离。
-
追问：岛的面积代表样本方差吗？ 不一定，布局参数会改变紧凑度。
-
误区：出现几个岛就有几个真实簇。 视觉分离不能替代聚类与稳定性证据。
-
追问：如何提高可信度？ 多种子多参数复现并计算邻域保持。
-
追问：UMAP 一定比 t-SNE 保全局吗？ 只能说常有更好经验表现，仍不可强解释。
八、加强记忆
把 t-SNE/UMAP 当“局部邻居地图”，不要当“地理测量图”。凡是簇数、距离、面积和密度结论，都要跨参数复现，并回到原空间或独立数据验证。